Spojování znaků¶

Některé kódy v UCS jsou přiřazeny tzv. akcentům. Tyto jsou podobné neposouvajícím znakům na psacím stroji. Akcent modifikuje předchozí znak. Nejdůležitější znaky s akcenty sice mají své vlastní kódy v UCS, ale akcentové znaky dovolují přidat libovolné diakritické znaménko k libovolnému znaku. Akcent vždy následuje znak, který je modifikován. Například, německý znak Umlaut-A ("Velké A v latince s umlautem") může být reprezentován pomocí kódu UCS 0x00c4 a nebo alternativně jako kombinace normálního velkého A, následovaného akcentem umlaut: 0x0041 0x0308.

Akcenty jsou nezbytné např. pro thajské písmo, pro matematické tisky a pro uživatele Mezinárodní fonetické abecedy.

Úrovně implementace¶

Protože se neočekává,že všechny systémy budou podporovat všechny varianty kódování, ISO 10646-1 definuje následující tři úrovně implementace UCS:

Level 1

Akcenty a znaky Hanghul Jamo (speciální, komplikované kódování korejského písma, kde jsou jednotlivé symboly dány jako sekvence dvou či tří znaků) nejsou podporovány.

Level 2

Jako level 1, přičemž některé kombinující znaky jsou povoleny (např. pro thajštinu, Lao, hebrejštinu, arabštinu, Devangari, Malayalam atd.

Level 3

Všechny znaky z UCS jsou povoleny.

Standard Unicode 3.0 publikovaný Unicode Consorciem sestává přesně z UCS Basic Multilingual Plane na úrovni implementace level 3, definované v ISO 10646-1:2000. Unicode 3.1 přidává doplňkové plochy z ISO 10646-2. Standard Unicode a technické zprávy, které Unicode Consotium publikuje, obsahují mnoho dodatečných informací o semantice a doporučených použitích různých znaků. Poskytují vodítka a algoritmy pro editování, třídění, porovnávání, normalizování, konverzi a zobrazování Unicode řetězců.

Unicode pod Linuxem¶

V GNU/Linuxu je datový typ jazyka C wchar_t definován jako 32 bitový integer. Knihovna jazyka C jeho hodnoty vždy interpretuje jako kódové hodnoty UCS (ve všech locale), což je konvence, kterou GNU knihovna jazyka C oznamuje aplikacím definováním konstanty __STDC_ISO_10646__, tj. tak, jak to určuje standard ISO C99.

UCS/Unicode může být, stejně jako ASCII, používáno ve vstupních a výstupních proudech, terminálové komunikaci, souborech prostého textu, názvech souborů a proměnných prostředí prostřednictvím ASCII kompatibilního vícebajtového kódování UTF-8. K užívání UTF-8 jako kódování znaků pro všechny aplikace je třeba vybrat vhodné locale pomocí proměnných prostředí (např. "LANG=en_GB.UTF-8").

Funkce nl_langinfo(CODESET) vrací název zvoleného kódování. Knihovní funkce jako wctomb(3) a mbsrtowcs(3) mohou být použity ke konverzi interního typu wchar_t do kódování používaného systémem a naopak. Funkce wcwidth(3) říká, kolik o pozic (0–2) postoupil kurzor po vytištění znaku.

V Linuxu je obecně používána pouze BMP Level 1. Některé UTF-8 emulátory terminálů a ISO 10646 fonty (level 2) podporují až dva akcenty pro jeden základní znak u některých písem (zejm. thajština), ale obecně by tam, kde je to možné, měly být upřednostňovány znaky s vlastními kódy. (Unicode to nazývá Normalization Form C).

Vyhrazená oblast¶

Kódy BMP, v intervalu 0xe000 do 0xf8ff nikdy nesmějí být definovány standardem a jsou vyhrazeny pro privátní použití. Pro uživatele Linuxu je tato oblast rozdělena na interval od 0xe000 do 0xefff, který je určen pro individuální použití a tzv. Linuxovou zónu od 0xf000 do 0xf8ff, kde jsou rozšíření definována pro všechny instalace Linuxu. Tato rozšíření jsou registrována (v současné době) H. Peter Anvinem <Peter.Anvin@linux.org>.

Literatura¶

*

Information technology — Universal Multiple-Octet Coded Character Set (UCS) — Part 1: Architecture and Basic Multilingual Plane. International Standard ISO/IEC 10646-1, International Organization for Standardization, Geneva, 2000.

Toto je oficiální specifikace UCS. Lze objednat jako PDF soubor na CD-ROM z http://www.iso.ch/.

*

The Unicode Standard, Version 3.0. The Unicode Consortium, Addison-Wesley, Reading, MA, 2000, ISBN 0-201-61633-5.

*

S. Harbison, G. Steele. C: A Reference Manual. Fourth edition, Prentice Hall, Englewood Cliffs, 1995, ISBN 0-13-326224-3.

Dobrá referenční kniha o jazyku C. Čtvrté vydání také zahrnuje dodatek 1 z roku 1994 ke standardu ISO C 90, který přidává mnoho knihovních funkcí pro práci s wide-byte a multi-byte kódováními, ale ještě nezahrnuje ISO C99, které dále zlepšilo podporu těchto kódování.

*

Technické zprávy Unicode.

*

Markus Kuhn: UTF-8 and Unicode FAQ for Unix/Linux.

*

Bruno Haible: Unicode HOWTO.